PROSTAT KANSER RİSKİ HESAPLAMALARINDA YAPAY SİNİR
AĞLARI KULLANIMI
Ufuk Şafak TAŞKIRAN Yüksek Lisans Tezi
ELEKTRONİK VE BİLGİSAYAR SİSTEMLERİ EĞİTİMİ
ANABİLİM DALI Konya, 2008
T.C.
SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
PROSTAT KANSER RİSKİ HESAPLAMALARINDA YAPAY SİNİR AĞLARI KULLANIMI
Ufuk Şafak TAŞKIRAN
ELEKTRONİK VE BİLGİSAYAR SİSTEMLERİ EĞİTİMİ ANABİLİM DALI
Bu tez 8.8.2008 tarihinde aşağıdaki jüri tarafından oybirliği ile kabul edilmiştir.
Prof. Dr. Novruz ALLAHVERDİ (Üye)
Yrd.Doç.Dr. Mehmet ÇUNKAŞ (Üye)
Yrd.Doç.Dr. Fatih BAŞÇİFTÇİ (Üye)
T.C.
SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
PROSTAT KANSER RİSKİ HESAPLAMALARINDA YAPAY SİNİR AĞLARI KULLANIMI
DANIŞMAN:
Prof.Dr. Novruz ALLAHVERDİ
HAZIRLAYAN
Ufuk Şafak TAŞKIRAN
YÜKSEK LİSANS TEZİ
ELEKTRONİK VE BİLGİSAYAR SİSTEMLERİ EĞİTİMİ ANABİLİM DALI
ÖZET Yüksek Lisans Tezi
PROSTAT KANSER RİSKİ HESAPLAMALARINDA YAPAY SİNİR AĞLARI KULLANIMI
Ufuk Şafak TAŞKIRAN
Selçuk Üniversitesi Fen Bilimleri Enstitüsü Elektronik ve Bilgisayar Eğitimi Bölümü Anabilim Dalı
Danışman: Prof. Dr. Novruz ALLAHVERDİ 2008, 96 Sayfa
Jüri: Prof. Dr. Novruz ALLAHVERDİ Jüri: Yrd.Doç.Dr. Mehmet ÇUNKAŞ Jüri: Yrd.Doç.Dr. Fatih BAŞÇİFTÇİ
Tıp alanında en önemli problemlerden biri hastalık teşhisidir. Bu çalışmanın amacı; yapay sinir ağı teknolojisini tıp alanında prostat kanseri hastalığının teşhisi için kullanılmasıdır. Bu amaç için çok katmanlı algılayıcı ağ yapısına giriş parametreleri olarak Prostat Spesifik Antijeni (PSA), Serbest PSA (Free PSA) ve Yaş değerleri sunulmuş, çıkış parametresi olarak ise prostat kanseri durumu ele alınmıştır. Tasarlanan sistemde gerçek klinik veriler kullanılmıştır.
Geliştirilen uygulamada 259 gerçek hasta verisi kullanılmıştır. Programın denenmesi için dört farklı rastgele küme oluşturularak çapraz doğrulama yöntemiyle denenmiş ve test başarısı dört denemede de %73,0 olmuştur. Ayrıca Prostat büyüklüğünün prostat kanseri teşhisinde teşhis başarısını artırmadığı görülmüştür. YSA uygulamasının başarısı FPSA/PSA ve Online Calculator yöntemleriyle teşhise göre kıyaslandığında daha başarılı olduğu görülmüştür.
ABSTRACT
MSc Thesis
USİNG ARTIFICIAL NEURAL NETWORKS AT PROSTATE CANCER RİSK CASTİNG
Ufuk Şafak TAŞKIRAN Selcuk University
Department of Electronic and Computer Education
Supervisor : Prof. Dr. Novruz ALLAHVERDİ 2008, 96 Pages
Jury : Prof. Dr. Novruz ALLAHVERDİ Jury : Yrd.Doç.Dr. Mehmet ÇUNKAŞ Jury : Yrd.Doç.Dr. Fatih BAŞÇİFTÇİ
One of the biggest problems in medicine is to diagnose illness. The aim of this study is to use artificial neural network technology to diagnose prostate cancer. To achieve this aim Prostate specific Antigen ( PSA), Free PSA and Age values were provided to a network with multi-layer sensors as input parameters and the case of prostate cancer was taken as the output parameter. In the system designed, real clinical data was used.
In developed application, 259 real patients’ data were used. To test program, four different random sets were made and tested by cross validation, and achievement of test has been 73,0 in four experiments. Also, it was seen that prostate size did not increase diagnostic achievement in diagnosing prostate cancer. It was seen that YSA application was more successful compared to diagnosis with FPSA/PSA and Online Calculator methods.
TEŞEKKÜR
Bu çalışma, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik ve Bilgisayar Eğtimi Anabilim Dalı’nda ve Öğretim Üyesi Sayın Prof. Dr. Novruz ALLAHVERDİ yönetiminde hazırlanarak, Selçuk Üniversitesi, Fen Bilimleri Enstitüsüne Yüksek Tezi olarak sunulmuştur.
Bu çalışmanın gerçekleşmesinde bana yol gösteren ve her türlü bilimsel katkıyı sağlayan değerli hocam ve danışmanım Sayın Prof. Dr. Novruz ALLAHVERDİ’ye teşekkür ederim. Ayrıca bilgilerini benimle paylaşan Yrd.Doç.Dr. Alparslan Arslan, Dr. Erdinç Koçer’e ve Dr. Humar Kahramanlı’ya da ayrıca teşekkürü bir borç bilirim.
Ufuk Şafak Taşkıran Konya, 2008
İÇİNDEKİLER
ÖZET i
ABSTRACT ... ii
İÇİNDEKİLER ... iv
ŞEKİLLER LİSTESİ ... vi
TABLOLAR LİSTESİ ... vii
KISALTMALAR ... viii
1. GİRİŞ ... 1
1.1 Çalışmanın Amacı ve Önemi ... 3
1.2 Tezin Organizasyonu ... 5
1.3 Kaynak Araştırması ... 6
2. PROSTAT VE HASTALIKLARI ...15
2.1 Prostat İltihabı (Prostatit) ...17
2.2 Prostatın İyi Huylu Büyümesi ...17
2.3 Prostat Kanseri ...18
2.4 Prostat Kanserine Neden Olan Temel Etkenler ...18
2.5 Prostat Kanseri Tanısı ...19
3. SİNİR AĞLARI ...23
3.1 Biyolojik Sinir Ağları ...23
3.2 Yapay Sinir Ağları ...25
3.2.1 Yapay sinir hücresi modeli...25
3.2.2 Yapay sinir ağlarının üstünlükleri ...29
3.2.3 Yapay sinir ağlarının dezavantajı ...30
3.2.4 Yapay sinir ağı eğitimi ...31
3.2.4.1 Öğrenme algoritmaları ...31
3.2.5 Yapay sinir ağı modelleri ...31
3.2.5.1 Çok katmanlı algılayıcı (MLP: MultiLayer perceptron) ...31
3.2.5.2 Geri yayılım algoritması ile öğrenme ...34
4. EĞİTİM VE TEST KÜMELERİNİN OLUŞTURULMASI ...40 5. PROSTAT KANSERİ HASTALIĞI İÇİN YSA İLE TASARLANAN
5.1 Programın Kullanımı ...45
5.2 Programın Birinci Deneysel Sonuçları ...47
5.2.1 Programın Parametrelerinin Elde Edilmesi ...47
5.3 Programın İkinci Deneysel Sonuçları ...58
6. SONUÇLAR VE ÖNERİLER ...62
7. KAYNAKLAR ...69
ŞEKİLLER LİSTESİ
Şekil 2.1. Prostat organının vücuttaki yeri ...15
Şekil 2.2. Sağlıklı ve Hastalıklı prostat organının görünümü ...16
Şekil 3.1. Biyolojik Sinir Yapısı ...25
Şekil 3.2. YSA’larda en çok tercih edilen aktivasyon fonksiyonları ...28
Şekil 3.3. Basit bir yapay ağ. ...29
Şekil 3.4. ÇKA Ağı gösterimi ...32
Şekil 4.1. Verileri rastgele ayırmak amacıyla geliştirilen programı ...41
Şekil 5.1. Prostat kanserinin teşhisinde kullanılan yapay sinir ağı modeli. ...43
Şekil 5.2. Prostat kanseri teşhis programı arayüzü ...44
Şekil 5.3. YSA ile teşhis programının ayar bölümü ...45
Şekil 5.4. Online Calculator programının ekran görünümü ...51
Şekil 5.5. Teşhis yöntemlerinin setlerdeki test kümelerinde biopsi sonucu negatif hastalar için teşhis grafiği ...55
Şekil 5.6. Teşhis yöntemlerinin setlerdeki test kümelerinde biopsi sonucu pozitif hastalar için teşhis grafiği ...57
TABLOLAR LİSTESİ
Tablo 3.1. Toplama Fonksiyonları...26
Tablo 3.2. Aktivasyon Fonksiyonları...27
Tablo 4.1. Hasta bilgilerinin hastanelere göre dağılımı ...40
Tablo 4.2. Hastane verilerinin en yüksek, en düşük ve standart sapma değerleri ...40
Tablo 4.3. Gruplardaki hasta adetlerinin dağılımı ...42
Tablo 5.1 Farklı nöron sayılarında çalıştırılan ağın test ve öğretim başarıları ...47
Tablo 5.2. En başarılı nöron sayısı için farklı öğrenme katsayılarındaki test ve öğretim başarıları ...48
Tablo 5.3. En başarılı nöron sayısı ve öğrenme katsayısı için farklı momentum değerlerindeki test ve öğretim başarıları ...49
Tablo 5.4. YSA uygulamasının setlerdeki teşhis başarıları ...50
Tablo 5.5 Teşhis yöntemlerinin setler üzerindeki başarı durumları ...52
Tablo 5.6. Farklı nöron sayılarında çalıştırılan ağın test ve öğretim başarıları ...58
Tablo 5.7. En başarılı nöron sayısı için farklı öğrenme katsayılarındaki test ve öğretim başarıları ...59
Tablo 5.8. En başarılı nöron sayısı ve öğrenme katsayısı için farklı momentum değerlerindeki test ve öğretim başarıları ...60
Tablo 5.9. YSA uygulamasının setlerdeki teşhis başarıları ...60
Tablo 6.1. Teşhis yöntemlerinin setlerin test kümeleri için teşhis, duyarlılık ve özgüllük durumları ...63
Tablo 6.2. Farklı giriş değerleri için YSA uygulamasının setlerdeki ortalama teşhis başarıları ...64
KISALTMALAR
ACS : Amerikan Kanser Derneği AUA : Amerikan Üroloji Derneği
AUC : Area Under Curve - Eğri Altında Kalan Alan BPH : Benign Prostat Hiperplazi
FPSA : Free Prostat Spesifik Antijeni TRUS : Transrektal Ultrasonografi PSA : Prostat Spesifik Antijeni PRI : Parmakla Rektal İnceleme PV : Prostat Volume
ROC : Reveiver Operating Characteric - Alıcı İşletim Karakteristiği YSA : Yapay Sinir Ağı
1. GİRİŞ
Kanser normalden hızlı büyüyen ve ölmeyi reddeden anormalleşmiş hücrelelerdir (Baggish 1999). Akçiğer, deri, mide, kalınbağırsak, meme ve prostat gibi birçok organda kanser görülebilmektedir. Kanser oluşumu iyi ve kötü huylu olmak üzere ikiye ayrılmaktadır. İyi huylu büyümede sadece doku büyümekte iken kötü huylu büyümede ise organ erken tanı-tedavi sürecinden geçirilmediği takdirde bulaştığı organı işlevsiz hale getirebilmekte diğer organalara bulaşabilmekte ve devamında da kişinin ölümüyle sonuçlanabilmektedir. Kanser her organda değişik belirtiler vermektedir. Bu belirtiler değerlendirildiğinde çeşitli tedavi süreçleri ile bulaşan organın kurtulması, yayılımının önüne geçilmesi ve kişinin hayatının kurtulması mümkün olabilmektedir. Bu nedenle kanser hastalığının erken teşhisi tıp alanında önemli problemlerden biri haline getirmiştir.
Bu çalışmada erkeklerin en çok kanser sebepli ölümlerinden biri olan ve belirtileri iyi huylu büyümesiyle benzer özellikler taşıyan prostat kanseri incelenmiştir. Tıp alanında prostat kanserinin teşhisinde bir kan belirteci olan PSA değerine ve FPSA/PSA oranına bakılarak kanser şüphesi oluşmakta, TRUS (Transrektal Ultrasonografi), PRİ (Parmakla Rektal İnceleme) bulgularında nodül bulunmasıyla şüphe artmakta ve bireye birkaç kez biyopsi yapılmasıyla da kesin tanı konabilmektedir. Ayrıca birçok hasta bilgisinin incelenmesi sonucu geliştirilen Online Calculator gibi yöntemler ile de prostat kanser riski hesaplanabilmekte gerçek tanı ise ancak biyopsi sonucu konabilmektedir.
Prostat kanserinin belirtilerin değerlendirilmesinde belirli kesin kuralların olmaması ve halen uygulanmakta olan teşhis yöntemlerinin tahmin oranının düşük olması araştırmayı gerekli kılmıştır. Belirli ve kesin kuralların olmadığı, olayı etkileyen unsurların tahmin edilebildiği problemlerin çözümü için YSA (Yapay Sinir Ağları) yönteminin etkili olabileceği düşünülmüştür.
Prostat kanser riski hesaplanmasında yapay sinir ağı uygulaması geliştirmek için yapılması gereken genel işlem adımları aşağıdaki şekilde sıralanabilir
• Prostat organı ve hastalıkları hakkında bilgi toplanması,
• Prostatın iyi huylu ve kötü huylu büyümesi belirtilerinin incelenmesi, • Doktorların hangi değerlere bakarak prostat kanserinden
şüphelendiklerinin incelenmesi,
• Yapay Sinir ağı teknolojisinin incelenmesi, • Kullanılacak ağ modeline karar verilmesi,
• Kullanılacak ağ yapısının incelenmesi ve formülize edilmesi, • Ağa giriş ve çıkış değerlerinin neler olacağına karar verilmesi, • Bilgisayar programının geliştirilmesi,
• Eldeki hasta bilgilerinin rasgele eğitim ve test verisi olarak ayrılması, • Verilerin normalize edilmesi,
• Geliştirilen uygulama ile eğitim verileri kullanılarak ağın eğitilmesi, • Test verileri kullanılarak geliştirilen programın test edilmesi.
Araştırmada 259 hasta bilgisi kullanılmıştır. Bu bilgiler;
• Trakya Üniversitesi Hastanesinde 2000-2005 yılları arasındaki prostat iğne biyopsisi yapılan 93 hasta verisi,
• Ankara Üniversitesi Hastanesinden alınan 119 hasta verisi,
• Ankara Atatürk Eğitim ve Araştırma Hastanesinden alınan 2007–2008 dönemine ait 47 hasta verisinden oluşmaktadır.
Programa giriş bilgisi olarak hasta bilgilerinden PSA, FPSA ve yaş değerleri kullanılmıştır ve çıkış bilgisi olarakda kanser teşhis bilgisi alınmıştır. Veriler yapay sinir ağına sunulabilmesi için 0.001-0.999 değerlerine indirgenerek normalize edilmiştir.
Hazırlanan programın test edilebilmesi için, eldeki hasta bilgileri biopsi sonucu kanser olma ve olmama durumuna göre eşit dağılıma sahip olacak şekilde rasgele 4 gruba ayrılarak çapraz geçerlilik yöntemiyle test edilmiştir. Çapraz geçerlilik için veriler 4 gruba ayrılmış ve ilk aşamada birinci grup test, diğer gruplar öğrenim için kullanılmıştır. Bu süreç her defasında bir grubun test, diğer grupların öğrenim amaçlı kullanılması ile sürdürülmüştür. Sonuçta elde edilen 4 hata oranının ortalaması, kurulan modelin tahmini hata oranı olarak tespit edilmiştir. Tüm hasta veritabanı düşünüldüğünde her bir sette %25 test kümesi ve %75 eğitim kümesi oluşturulmuştur. Böyle bir işlemin yapılmasındaki amaç her bilginin farklı gruplarda eğitim ve test kümesi içinde yer almasını sağlayarak yapılan test işleminin doğruluğunu artırmaktır.
Teşhis programında ileri beslemeli geri yayılım ağı kullanılmış ve program Visual Basic 6.0’da hazırlanmıştır. Yapay sinir ağı eğitim verilerini öğrenirken belirli parametrelerden etkilenmektedir. Bu parametreler ara katmandaki nöron sayısı, öğrenme katsayısı ve momentum değeri aşamalı olarak değiştirilerek en uygun değerlere ulaşılmıştır. En uygun parametreler elde edildikten sonra program aynı hasta veri tabanından rastgele ve homojen olarak seçilen farklı dört grup test verilerisi için çalıştırılmış ortalama test başarısının %73.0 olduğu görülmüştür.
1.1 Çalışmanın Amacı ve Önemi
Birey, varoluşunun başladığı ana rahminden itibaren çeşitli hastalıkların tehlikesinde kalmaktadır. Hemen hemen birçok hastalığın erken teşhisi ile tedavi oranı yükselmektedir. Bu hastalıkların en tehlikelisi kanserdir. Kanser bulaştığı organı zamanla işlevsiz hale getirmekte sonrasında tüm vücuda yayılım gösterebilmekte ve bireyin ölümüyle sonuçlanmaktadır. Kanserin teşhis edilebilmesi için bireyin değişik şikâyetlerle doktora başvurması ve çeşitli tetkiklerin yapılması gerekmektedir. Kimi kanser türlerinde bu tetkikler sonrası kanserin teşhisi kolay iken kimi kanser türlerinde ise hem hastanın durumu fark etmesi hemde yapılan tetkikler
sonucu kanser tespiti kolay olmamaktadır. Bu kanser türlerinden biride prostat kanseridir.
Prostat organı sadece erkeklerde bulunan erkeklerin üreme sistemini ve yeri bakımındanda üriner sistemi etkileyen bir organdır. Bu organın iyi huylu ve kötü huylu büyümesi (kanser) durumunun bireyde benzer şikâyetler ve bulgular oluşturması tespitini zorlaştırmaktadır. Bireyin prostat dokusuna birkaç kere biyopsi yapılması sonucunda ancak kesin teşhisin konulabildiği bir kanser türünü oluşturmaktadır.
Prostat kanserinin çeşitli tanı ve teşhis yöntemleri bulunmakla birlikte bu yöntemlerin başarısı kabul edilebilir nitelikte olmaması ve elde olan verilerin yorumlanmasında belirli bir formülün bulunmaması kanser hastalığının tespitinde hasta bilgilerinden yola çıkarak bilgisyarın karar verebileceği bir sistemin başarısının daha yüksek olabileceği düşünülmüştür. Bu sistemde program parametreler arası ilişkiyi öğrenecek ve prostat kanserinin teşhisini yapabilecektir. Araştırmanın başarya ulaşması ile bireye gereksiz biyopsi yapılmasının önüne geçilebilecektir.
Araştırmamızda kullanacağımız hasta verilerinin Türkiye’deki hastanelerden alınması prostat kanseri gibi ırk, beslenme alışkanlıkları ve çevresel faktörlerden etkilenen kanser türleri için yerel çalışmaların yapılmasının önemini artırarak gerekli kılmıştır.
Bu çalışmanın temel amacı, prostat kanseri şüphesi olan hastaların laboratuar sonuçlarını giriş olarak alan ve çıkış bilgisi olarakda kanser teşhis bilgisini veren bir yapay sinir ağı uygulaması geliştirmektir. Ayrıca YSA teknolojisiyle geliştirilecek programın, bu alanda YSA teknolojisinin başarılı olduğunun gösterilmesi ve hem doktorlar hemde hastalar tarafından kullanılabilir nitelikte program üretilmesi hedeflenmiştir.
Bu tez çalışmasında temel olarak aşağıdaki aşamalar amaçlanmıştır: • Hasta laboratuar sonuçlarının elde edilmesi,
• Yapay sinir ağı algoritmasını kullanan bilgisayar programının geliştirilmesi, • Geliştirilen uygulamanın teşhis başarısının ölçülmesi.
Sonuç olarak yapılan çalışmada görülmüştür ki prostat kanserini teşhis etmede gerçekleştirilen sistemin teşhis başarısı, duyarlılık ve özgünlük değerleri dikkate alındığında diğer teşhis yöntemlerine nazaran sistemin daha güvenilir ve daha düşük hata oranına sahip olduğu görülmüştür. YSA uygulamasının 259 hasta bilgisinden daha büyük hasta bilgilerini içeren veritabanları ile daha yüksek teşhis başarıları elde edilebileceği düşünülmektedir.
1.2 Tezin Organizasyonu
Bu tez çalışması toplam yedi bölüm ve ek kısmından oluşmaktadır:
Birinci bölüm giriş bölümü olup konunun genel tanımı yapılmış, çalışmanın amacı ve önemi üzerinde durulmuştur. Konu ile ilgili önceden yapılmış olan benzer çalışmalar hakkında araştırmalar yapılmış, bilgiler verilmiş ve kısa bir analiz yapılmıştır.
İkinci bölümde, prostat ve prostat hastalıkları ve prostatın iyi huylu büyümesiyle kötü huylu değişimi olan kanser belirtileri ve tanı yöntemi incelenmiştir.
Üçüncü bölümde, prostat kanseri teşhisi için hazırlanacak programın temel yapısı olan yapay sinir ağları incelenmiştir. Yapay sinir ağı hücre modeli, genel yapısı, üstünlük ve sınırlılıkları, eğitimi ve algoritmaları incelenmiştir.
Dördüncü bölümde, teşhis programının geliştirilmesi süreci anlatılmıştır. Giriş ve çıkış değerlerinin neler olduğu, programın nasıl kullanılabildiği,
parametrelerin belirlenme süreci incelenmiş ve program bu bölümde iki kez çalıştırılmış ve eğitim ve test başarıları incelenmiştir.
Beşinci bölümde, geliştirilen uygulama başarısı ile diğer yöntemlerin başarıları, duyarlılık ve özgüllük durumları toplu halde verilmiş ve çalışmanın başarı durumu değerlendirilmiştir ve bu konu üzerinde çalışma yapmak isteyen araştırmacılara öneriler verilmiştir.
Altıncı bölümde, elde edilen sonuçlarla alanda yapılmış çalışmalar karşılaştırılmıştır.
Yedinci bölüm ise bu tez çalışmasında yararlanılan kaynaklar ve referanslardan oluşmaktadır.
Ekler kısmında, prostat kanseri teşhisi için geliştirilen programın kaynak kodları verilmiştir.
1.3 Kaynak Araştırması
Çınar ve ark. (2007) “Prostat Kanser Riskinin Değerlendirilmesi” konulu araştırmalarında Prostat kanser riskini YSA yöntemleriyle tespit etmeye çalışmışlardır. Geliştirilen YSA uyarlamasına giriş parametreleri olarak PSA (Prostat Specific Antijen), serbest PSA (fPSA), prostat hacmi ve yoğunluğu, kilo, boy, BKİ (Beden Kütle İndeksi), sigara, tansiyon ve nabız gibi risk faktörleri girilmiştir. YSA uygulamasına bilgi girilmeden veriler istatistiksel olarak incelendiğinde sigaranın prostat kanserini tetikleyen bir parametre olduğu kanaati çıkarılmıştır. Ayrıca beden kütle endeksi arttıkça prostat kanseri daha hızlı yayılım göstermekte olduğu bulunmuştur. Araştırma sonucunda YSA yöntemlerinden en başarılı sonucu LM (Levenberg-Marquardt) algoritmasında elde edilmiş ve bu başarıda %79,3 olarak tespit edilmiştir. Araştırmamızda prostat kanserini etkileyen ikinci derecede etkileyecek sigara gibi risk faktörlerinin dikkate alınmamasının uygulamamızın başarısını fazla etkilemeyeceği varsayılmıştır.
Keleş ve ark. (2007) “Prostat Kanser Sınıflandırması İçin Yapay Zeka Tekniğinin Kullanılması” konulu araştırmalarında aynı belirtilere sahip olan prostat kanseri ve iyi huylu prostat büyümesi (BPH) hastalıkları üzerinde yapay zeka modellerini kullanarak ayırt etmek amaçlanmıştır. Çalışmada 90 hasta bilgisi kullanılmıştır. Araştırma sonucunda Neuro-Fuzzy sınıflama modelinin esnek kullanımı yapısıyla tıbbi teşhislerin değerlendirilmesi için iyi bir model olduğu gözlenmiştir. Araştırmamızda 259 hasta bilgisinin kullanılması ile daha doğru ve kararlı bir sonuca ulaşabileceğimiz düşünülmektedir. Ayrıca araştırma kapsamında geliştirilecek programın her bilgisayarda kullanılabilir olması hedeflendiğinden uygulamaya dönük bir çalışma olacaktır.
Stephan ve ark. (2007a) “Prostat Kanserinin erken tanısını geliştirmek için çok değişkenli modeller içerisindeki biyomarkerler ve PSA” konulu araştırmalarında gereksiz prostat biyopsilerini azaltmak için PSA ve %fPSA-bazlı yapay sinir ağları (YSA) ve de lojistik regresyon (LR) modelleri ile ilgili gerçekleştirdikleri araştırmalarında Yaş, dijital rektal muayene ve de YSA’lar ile LR modellerindeki %fPSA ve tPSA’ya ek faktörler olarak PSA yoğunluğu ve prostat volümü ve Transrektal ultrasonografi (TRUS) değişkenleri gibi klinik verilerin dahil edilmesinde açık bir fayda tespit etmişlerdir. Ayrıca tPSA ve %fPSA’nın yapay sinir ağlarının (YSA) sonucu üzerinde olumlu bir etkisi olduğunu ve başarının artırılması için yeni giriş değerlerinin bulunması gerektiğini ancak bunların klinik faydalarını kanıtlamak için, daha fazla deney gerekli olduğunu belirtmişlerdir. Ayrıca Stephan ve ark. (2007b) yaptıkları bir diğer araştırmada “İki Farklı Hasta Nüfusunda Prostat Biyopsisi Endikasyonu açısından iki farklı Yapay Sinir Ağının Karşılaştırılması” konusunu araştırmışlardır. PSA (4-10 ng/ml arasında), %fPSA, prostat volümü, dijital rektal muayene ve yaş kullanılarak YSA ve LR modelleri ile test edilmiştir. 656 hasta bilgisi kullanılmıştır. %90 ve %95 duyarlılıkta YSA ve LR modellerinin özgüllükleri %fPSA’nın özgüllüklerine nazaran anlamlı derecede daha fazla tespit edilmiştir. YSA uygulamasının farklı nüfuslara uygulanmasının mümkün olduğunu fakat sınırlamalara sahip olduğu belirtilmiştir. Bu durum yapancı literatürde yapılan çalışmaların Türkiye’de yaşayan hastalar için sınırlı teşhis kapasitesine sahip olacağını fakat araştırmamızda kullanacağımız verilerin Türkiye’deki hastanelerden
alınmış olması, gerçekleştirilecek programın Türkiye’deki hastalar için daha anlamlı sonuç üreteceğini düşündürmesi yönüylede yapılması gerekli ve önemli görülmüştür.
Rodrigues ve ark. (2006) “Transrektal Biyopsi Üzerinde Prostat Kanserinin Teşhisinde Yapay Sinirsel Ağların Kullanılması” konulu araştırmalarında klinik değişkenlerden oluşan yapay sinirsel ağı eğiterek, prostat biyopsisi (PB) sonucunu tahmin etmeyi amaçlamışlardır. Ocak 2000- Haziran 2005 tarihleri arasında kliniğe başvuran 953 hasta bilgisi alınmıştır. Yapay sinirsel ağa yaş, PSA, dijital rektal muayene (DRE) ve prostat hacmi değerleri giriş olarak verilmiştir. Mantıksal regresyon analizi ve ileri beslemeli (feed-forward) sinirsel ağ geliştirilmiştir. Tahmin edici kapasite ROC eğrileri ve eğri altında kalan alan (AUC) aracılığıyla belirlenmiştir. 500 vakada (%59) prostat kanseri belirlenmiştir. Her iki model de rasgele seçilmiş n=643 hasta (sapma seti) ve tahmin edici kapasite olarak geri kalan 200 hasta kullanılmıştır. ROC eğrileri ve eğri altında kalan alan (AUC) aracılığıyla belirlenmiştir. AUC, PSA için 0,693, prostat hacmi için 0,707, mantıksal regresyon için 0,815 ve YSA için 0,819’du. YSA’nın tahmin edici kapasitesi PSA’nın ve prostat hacminin (p < 0,01) kapasitesinden anlamlı derecede daha yüksek ve mantıksal regresyonunkine benzer bulunmuştur (p=0,760). YSA, Prostat kanserini tahmin etme kapasitesinin unimodal (tek düğümlü) teşhis modelinden daha yüksek olduğunu ve mantıksal regresyonunkine benzer olduğu bulmuştur. Araştırmamızda daha yüksek tahmin başarısına sahip bir YSA uygulaması geliştirilmesi amaçlanmıştır.
Benecchi (2006) prostat kanseri teşhisi için Nöro-fuzzy sistemi geliştirmeye yönelik yaptığı araştırmasında, yapay sinir ağı ve bulanık mantığın gücünden faydalanmıştır. Nöro-fuzzy sisteminin tahmin edici doğruluğunu tPSA ve fPSA yüzdesiyle elde edilen sonuçla karşılaştırmıştır. Çalışmada 1030 erkekten alınan veriler kullanılmıştır. Tüm erkeklerin tPSA miktarı 20 ng/ml’den daha azdır ve 1030 erkeğin 195’inde (%18,9) prostat kanseridir. Araştırmada Koaktif fuzzy sonuç çıkarma sistem modeli kullanılarak, bir nöro-fuzzy sistemi geliştirilmiştir. Yüzde 95 duyarlılıktaki karşılaştırma, nöro-fuzzy sistemin en iyi spesifiklikte olduğunu
performansını artırmak için hem serum değerlerine (tPSA, fPSA) hemde klinik verilere (yaş) dayanan bir nöro-fuzzy sistem geliştirilmiştir. Nöro fuzzy sisteminin kestirimci doğruluğu tPSA ve %fPSA’nınkine oranla daha üstün olduğu görülmüştür.
Stephan ve ark. (2005) “Prostat Kanseri Teşhisi İçin Sinirsel Ağ İçinde İnsan Salgı Bezi İle İlgili (Glandular) Kallikrein’inin Klinik Faydası” konulu araştırmalarında prostat kanseri ile iyi huylu prostat hiperplazia (BPH) arasında ayrım yapmak amacıyla yapay sinir ağlarından faydalanmışlardır. Yapay sinir ağının girişleri olarak PSA, f/tPSA ve insan salgı bezine özgü kallikrein2 (hK2) kullanılmıştır. Araştırmada 1-20 ng/ml aralığında PSA’ya sahip 347 kanser hastası bilgisi ve BPH’lı 128 hasta bilgisi dahil edilmiştir. Veriler 1-2, 2-4, 4-20 ve 2-20 ng/ml tPSA aralıklarında analiz edilmiştir. PSA, f/tPSA’lı geri yayılım YSA modelleri ve hK2/fPSA ve hK2/(f/tPSA) girişlerinden oluşturulmuştur. Teşhis geçerliliği ve alıcı çalışma karakteristikleri eğrisi (ROC) analizi ile değerlendirilmiştir. Araştırma sonucunda hK2 bazlı YSA, f/tPSA’nın sonucunu iyileştirmekle birlikte, analiz edilen hemen hemen tüm alt gruplarla hK2/(f/tPSA)’da böyle bir şey söz konusu olmaz. Bulgular, % 90 ve 95 duyarlık düzeyinde karşılaştırıldığı zaman, hK2 bazlı YSA, sadece en düşük tPSA aralığında f/tPSA’dan anlamlı derecede daha iyi performans göstermiştir. Sadece daha düşük tPSA aralıklarında, hK2 bazlı YSA’lar, prostat kanseri teşhisini daha fazla geliştirmek için bir avantaj gösterdiği bulunmuştur.
Bayram (2005) “Prostat Biyopsi İndikasyonunda Serbest Prostat Spesifik Antijen Yüzdesinin Özgüllük ve Duyarlılık Araştırılması” konulu tezinde 2000–2005 tarihleri arasındaki 93 prostat iğne biyopsisi yapılan hasta bilgisini incelenmiştir. Çalışmada PSA 4 ile 10 ng/ml arasındaki grupta F/T PSA’nın duyarlılığı %13, özgüllüğü %43’tür ve istatistiksel yönden de PSA, FPSA oranı açısından istatistiksel bir fark bulunamaması, PSA’nın duyarlılığını artırmak için PSA’nın yanında başka parametrelere ihtiyaç olduğunu göstermiştir. PSA>10 ng/ml olan grupta ise duyarlılık %30 ve özgüllük ise %20 olarak bulunmuştur. Aynı zamanda da PSA>10 ng/ml olan grupta PSA ve FPSA oranı açısından hastalarla sağlamlar arasında istatistiksel yönden anlamlı bir fark olması, araştırmada yüksek PSA seviyesi olan
(PSA>10 ng/ml) her hastadan biyopsi olmasının gerekli olduğu yönünde yorumlanmıştır.Çalışma sonucunda PSA<10 ng/ml olanlarda PSA, fPSA ve fPSA/PSA düzeyleri açısından istatistiksel yönden anlamlı bir fark bulunamamıştır. PSA>10 ng/ml olanlarda PSA ve fPSA/PSA düzeyi bakımından hastalarla sağlamlar arasında istatistiksel yönden anlamlı bir fark vardır. fPSA açısından istatistiksel yönden anlamlı bir fark bulunamamıştır. Araştırmamız ve beraberinde yapılan program ile özgüllük ve duyarlılık bakımından tıp literatüründeki istatistik değerlendirmelerden daha başarılı sonuçlar üretilmesi hedeflenmiştir.
Kurtuluş ve ark. (2004) “Prostat Kanseri Tanısında Parmakla Rektal İnceleme (PRİ), Prostat Spesifik Antijen (PSA), Transrektal Ultrasonografi (TRUS), PSA Dansitesi (PSAD), Yaşa Göre PSA, Free/Total PSA (f/t PSA) oranının Doğruluğu” konulu araştırmalarında 1998-2002 tarihleri arasında kliniğe başvuran, şüpheli rektal inceleme ve/veya PSA>4 ng/ml bulguları bulunan, yaşları 42 ila 80 arasında değişen (ortalama 68) 233 hasta bilgisi kullanmışlardır. Bu hastalardan 56 hastanın kanser olduğu saptanmıştır. Araştırmada TRUS’ta anormal bulgu, PSAD> 0.15ng/ml/cc, yaşa-göre PSA aralığı, f/tPSA oranı < 0.20 alınarak kanser doğruluk değerleri belirlenmiştir. Araştırma sonucunda kanser belirleme oranları sırasıyla yalnızca PRİ:%0, yalnızca PSA: %7.89, PRİ ve PSA: %52, PRİ-PSA 10 ve üstü: %72, PSA ve TRUS: %62.5, PRİ, PSA ve TRUS: %76, PRİ normal-PSA 4-10, PSAD; 0.15 ise oran %14. Yaşa göre PSA’da 70-79 yaş grubu göz önüne alındığında 81 hastada 11 biyopsiden kaçınılırken 2 hastada kanser atlanmıştır. f/t PSA< 0.20 alındığında sensitivite (duyarlılık) %33 spesifite (özgüllük) %31 olduğu bulunmuştur. Araştırmamızda yaş, PSA, FPSA, PV (Prostat Volume) değerleri kullanılarak geliştirilecek olan YSA uygulamasıyla belirli bir aralık belirlemeden parametrelerin aralarındaki ilişkiyi bilgisayarın öğrenmesi sağlanarak teşhis başarısı, duyarlılık ve özgüllük olarak daha başarılı sonuçlar elde edilmesi planlanmaktadır.
Zlotta ve ark. (2003) “10 NG/ML veya daha aza kadar Serum Prostat Özgü Spesifik Antijen Söz Konusu Olduğu Zaman, Prostat Kanseri Kademelendirmesi İçin Yapay Sinirsel Ağ” konulu araştırmalarında biyopsi ve klinik parametrelerdeki
ilerletmek/iyileştirmek için bir yapay sinirsel ağ geliştirmişlerdir. 10 ng/ml ve daha az PSA ve radikal prostatektonomiye maruz bırakılan 200 erkekte patolojik aşamayı tahmin edecek bir yapay sinir ağı geliştirilmiştir. Ağa yaş, serum PSA’sı, f/tPSA oranı, PSA hızı, transrektal ultrasonla hesaplanmış toplam ve geçiş bölgesi hacimleri (geçiş bölgesi PSA yoğunluğu ve PSA yoğunluğu), dijital rektal muayene ve biyopsi üzerinde Gleakson skoru (toplam puanı) girişmiştir. İki katmanlı perceptron sinirsel ağları eğitilmiştir. Araştırma sonucunda Yapay sinirsel ağ mantıksal regresyon analizini daha iyi yapmış ve klinik, biyokimyasal ve biyopsi verilerine dayanan 10ng/ml veya daha az serum PSA’sı olan doğrulama hastalarının %90’ından daha fazlasında patolojik aşamayı doğru bir şekilde tahmin etmiştir.
Sarıtaş ve ark. (2003) “Prostat Kanser Riskinin Belirlenmesi İçin Bir Bulanık Yaklaşım” konulu araştırmalarında; prostat kanseri riskini rakamsal olarak hesaplayabilmek için bir bulanık uzman sistem tasarlamak, tıp alanında uygulamak ve tanıtmayı amaçlamışlardır. Bu amaç için giriş parametreleri olarak, prostat spesifik antijeni (PSA), yaş ve prostat hacmi (PV) kullanılmıştır. Çıkış parametresi olarak ise prostat kanser riski ele alınmıştır. Araştırma kapsamında geliştirilen sistem kanseri direk teşhis etmemekte fakat uzman doktora kanser risk oranını rakamsal olarak vermektedir. Tasarlanan sistem klinik ve literatürden alınan veriler ile test edilmiştir. Her bir hastalık durumuna karşılık gelen uzmanların teşhisleri ile literatür verileri karşılaştırılmış ve sistemin her bir durum için kullanılabilir olduğu görülmüştür. Ayrıca tasarlanan sistemin hastanelerde kullanılarak test edildiği ve farklı analiz ve çalışmalarda kullanıldığı belirtilmektedir. Araştırmamızda yaş, PSA ve prostat hacmine ek olarak FPSA değerininde kullanılacak olması ve kanseri etkileyen değerler arası ilişkinin yapay sinir ağlarıyla daha başarılı tespit edileceği varsayıldığından daha başarılı sonuçlar elde edileceği düşünülmektedir.
Mergen, O. (2003) “Prostat Kanseri Tanısında ROC Analizi” konulu araştırmalarında toplam 64 kişi verisi üzerinde çalışılmıştır. PSA, Kollestrol ve Trigliserit değişkenleri için yapılan incelemede, PSA ile Kollestrol ve Trigliserit çiftinde anlamlı sonuçlar bulunmuş (p<0.01), Kollestrol ve Trigleserit çiftinde
anlamlı sonuçlar bulunamamıştır (p<0.05). Sonuç olarak prostat kanseri tanısında kritik değer olarak PSA>3,70 ng/ml olarak araştırmada belirtilmiştir.
Stephan ve ark. (2002) “Yapay Sinir Ağı, Prostat Kanseri Teşhisinde Serbest Prostata Özgü Antijen Yüzdesinin Teşhis Gücünü Önemli Oranda Artırma: Beş Yıllık İncelemenin Sonuçları” konulu araştırmalarında, prostat kanserinin risk değerlemesini geliştirmek için, %fPSA’nın tanısal kullanışlılığını, tek başına ve 2 -4 ng/ml’lik düşük bir aralığın da dahil olduğu farklı PSA konsantrasyon aralıklarında YSA ile bağlantılı şekilde değerlendirmek amacıyla yapılmıştır. Prostat kanserli ve BPH’lı toplam 928 erkek, 2–20 ng/ml PSA aralığında, prostatla ilgili hiçbir ön işlem (tedavi) olmaksızın, 1996 ve 2001 yılları arasında çalışmaya kaydedilmiştir. 2–4, 4, 1–10, 10, 1–20 ng/mL’lik farklı PSA aralıklarında, prostat biyopsisi yapmadan önce bireysel riski hesaplamak amacıyla, PSA, %fPSA, hastanın yaşı, prostat hacmi ve DRE durumuyla ilgili giriş verilerinin olduğu bir YSA geliştirilmiştir. PSA ile karşılaştırmalı olarak, %fPSA’nın ve YSA’nın tanısal ilerlemesini belirlemek amacıyla, ROC analizi ve kesit hesaplamaları kullanılmıştır. %90 duyarlık düzeyinde, %fPSA ve YSA, spesifikliği sırasıyla %15–28 ve % 32–44 artırmak suretiyle, tüm aralıklarda PSA’dan daha iyi performans göstermiştir. 2-4 ng/ml’lik düşük PSA aralığı için, %90’lık YSA spesifikliği düzeyinde ilk kez biyopsi tavsiye edilmiştir. 4–10 ng/ml PSA için %90 duyarlık düzeyinde, YSA’ya dayanarak ilk kez biyopsi tavsiye edilmektedir. YSA’nın kullanımı, 2-10 ng/ml PSA aralığında gereksiz biyopsi sayılarını daha fazla düşürerek %fPSA performansını artırmıştır.
Yılmaz (2002) “Prostat Kanseri Erken Tanısında Serum Prostat Spesifik Antijen, Parmakla Rektal İnceleme ve Transrektal Ultrasonografi Etkinliği” konulu uzmanlık tezinde 116 hasta bilgisiyle çalışmıştır. Çalışmasında prostat kanserinin kandaki PSA değerinin yüksekliğinin, TRUS ve parmakla rektal inceleme bulguları ile desteklenirse çok daha yüksek oranda kanseri yakalama şahsının olacağını ayrıca bu bulguların prostat volümü küçük olan hastalarda prostat kanserine yakalanma oranının yüksek olduğunu belirtmektedir. Araştırmasında en etkin parametrenin f/tPSA ile PSA dansitesi kombinasyonu olduğunu tespit etmiştir. Ayrıca araştırmacı
olduğunu belirtmektedir. Araştırmamızda 4 ng/ml üzerinde PSA değerine sahip olan hastalar içinde biyopsi yapılmadan tehlike durumunun değerlendirilebileceği, prostat kanserini etkileyen değerler arası ilişkilerin istatistik yönteminden daha kompleks olarak değerlendirebilen yapay sinir ağlarıyla tespit edileceği düşünüldüğünden uygulamanın geliştirilmesinin gerekli olduğu düşünülmüştür
Djavan ve ark. (2002) “Prostat Kanserinin Erken Teşhisi İçin Yapay Sinirsel Ağ” konulu araştırmalarında toplam prostata özgü antijen düzeyleri 2,5’tan 4 ng/ml’ye ve 4’den 10 ng/ml’ye kadar olan erkeklerde prostat kanserinin erken teşhisi için, yapay sinirsel ağı tahmin için geliştirmişlerdir. Analizler prostat kanserinin varlığını belirlemek amacıyla yapılmıştır. Araştırmada Alıcı operatör karakteristik (ROC) AUC (Eğri altında kalan alan), 2,5–4 ng/ml ve 4–10 ng/ml için sırasıyla, %87,6 ve %91,3 değerleri elde edilmiştir. YSA’nın tahmin edici doğruluğu geleneksel PSA parametrelerinin doruluğundan daha üstün olarak bulunmuştur.
Finne ve ark. (2000) Yapay sinir ağının MLP ve LR modelleriyle prostat kanseri taramasındaki serbest PSA (fPSA) oranından daha fazla ayırt edici olup olamayacağını test etmeye çalışmışlardır. Çalışmada Finlandiya’da rastgele seçilmiş topluluk bazlı prostat kanseri tarama çalışmasında PSA seviyesi 4-20 ng/ml toplam serum konsantrasyonuna sahip 55-67 yaş arası 656 erkek verisi kullanılmıştır. %23’ünün kanser %77’sinde ise bir prostatik histoloji ya da iyi huylu bir hastalık bulunduğu görülmüştür. Çalışmada tPSA, fPSA, Dijital Rektal İnceleme (DRE) ve prostat büyüklüğü (Prostat Volume) değerleriyle yapay sinir ağının MLP ve LR modelleri kullanılarak çalışma yapılmıştır. % 80’den % 99’a kadar ki duyarlık düzeylerinde, MLP ve LR modellerinin doğruluğu, fPSA’nın oranının doğruluğundan anlamlı düzeyde daha yüksek bulunmuştur. % 89’dan 99’a kadar duyarlılıkta, MLP’nin doğruluğu LR’ninkinden daha yüksek bulunmuştur (P £ 0,001). Araştırma sonucunda Klinik olarak ilgili duyarlık düzeylerinde, tPSA’ya, fPSA’nın oranına, DRİ’ye ve prostat hacmine dayanan MLP ve LR modelleri, sadece 4 –10 ng/mL aralığında tPSA’ya sahip olan erkeklerde, gereksiz biyopsilerin sayısını, serbest PSA’nın oranından anlamlı derecede daha iyi düşürebildiği görülmüştür. Çalışmamızda Fine ve ark. (2000) çalışmasında YSA
uygulamasına giriş olarak verilmeyen yaş unsurunu dikkate almamızın teşhis başarımıza olumlu etki edeceğini düşünmekteyiz. Yapay sinir ağı yapısı olarak bizde MLP ağ yapısını kullanacağız. Yapacağımız çalışma etnik kökenden, çevresel faktörlerden etkilendiği bilinen bir kanser türü olduğundan hazırlanan programın Türkiye’deki hastenelerden alınan hasta bilgileriyle Türkiye’de yaşayan prostat kanseri şüphesi olan hastalar için daha anlamlı olacağını düşünmekteyiz.
Araştırmamızda literatürde yapılan çalışmalardan farklı olarak hazırlanan uygulamanın sadece istatistikî verilerinin çıkarılması ve prostat kanserini etkileyen değişkenlerin tespit edilmesi değil, prostat kanseri olduğu şüphesi olan hasta için doktorun veya hastanın kullanabileceği Microsoft Windows gibi birçok makinede yüklü olan işletim sisteminde çalışacak bir uygulama geliştirmek hedeflenmiştir. Ayrıca Türkiye’de yapılan araştırmalarda kullanılan hasta verisi sayısı çalışmamızda kullanılan verilerden daha az olduğu görülmüştür. Çalışmamızda kullanılan yapay sinir ağı yönteminin eldeki hasta verilerinin miktarıyla orantılı olarak daha başarılı sonuçlar üretebileceği düşünülmüştür.
2. PROSTAT VE HASTALIKLARI
Prostat sadece erkeklerde bulunan birçok salgı bezinden oluşmuş bir organdır (Barrett 2003). Fiziksel olarak mandalina meyvesi gibi dışında bir kabuk ve içinde dilimler halinde bez hücreleri bulunmaktadır. Birey 25 yaşına geldiğinde prostat organının büyüklüğü yaklaşık kestane büyüklüğüne ulaşmaktadır (Cüreklibatır 2005). Meni içerisinde yer alan, sperm hücrelerinin taşınmasında görevli sıvıların %15–20’sini üreten bu organ üretra kanalının başlangıç kısmında yer almakta ve içerisinden idrar yolu geçmektedir (Cüreklibatır 2005). Şekil 2.1'de prostat organının vücuttaki yeri gösterilmektedir. Diğer organlarımız gibi prostatın da bireyin rahatsızlığına sebep olan hastalıkları mevcuttur.
Şekil 2.1. Prostat organının vücuttaki yeri (Canlılar Bilimi, 2008) Prostat hastalıkları 3 ana başlık altında toplanmaktadır:
• Prostatın ani veya kronik iltihaplanması (Prostatitler);
• Prostatın iyi huylu büyümesi (BPH- Benign Prostat Hipertrofisi); • Prostat kanseri.
Prostat hastalıklarında genellikle prostat büyümektedir. Kanser vakalarında prostatın kabuğu büyürken, iyi huylu büyüme olarak adlandırılan Benign Prostatik Hiperplazi (BPH) vakalarında ise prostatın içindeki bezler büyümektedir
(Cüreklibatır 2005). Şekil 2.2’de prostatın normal ve hasta hali görülmektedir. Hasta halinde prostat şişerek idrar çıkışını güçleştirmekte kimi zaman ise damlamayla çıkışa ancak izin vermektedir. Bu durum üriner sistem rahatsızlıklarını hatta böbrekte taş oluşumuna varan rahatsızlıklara sebep olabilmektedir. Prostat organının şişmesine sebep olan hastalıklar prostat iltihabı (prostatit), prostatın iyi huylu büyümesi ve prostat kanseri olabilmektedir.
a) Sağlıklı Bir Prostat Görünümü (Ailemax, 2008)
b) Hastalıklı Bir Prostat Görünümü
Şekil 2.2. Sağlıklı ve Hastalıklı prostat organının görünümü (Ailemax, 2008)
2.1 Prostat İltihabı (Prostatit)
Tıp dilinde prostatit olarak bilinen prostat iltihabı, ağırlıklı olarak 20–45 yaş grubu erkeklerde görülmektedir (Cüreklibatır 2005). Prostat iltihabında prostat şişerek büyümektedir. Prostat iltihapları 3 ayrı klinik tabloyu barındırır.
• Akut Bakteriyel Prostatit; • Kronik Bakteriyel Prostatit; • Kronik Abakteriyel Prostatit;
2.2 Prostatın İyi Huylu Büyümesi
Prostatın iyi huylu büyümesi, prostatı oluşturan bezlerin kontrollü olarak çoğalması ile oluşur. Yaklaşık 45 yaş civarında gerçekleşen bu duruma Benign Prostatik Hiperplazi (BPH) denir (Barrett 2003). Kimi zaman 40 yaşından sonra (Cüreklibatır 2005) da görülebilen bu durumun nedenleri; DHT (Di Hidro Testosteron) isimli hormon, büyüme faktörleri ve yaşlanma olduğu söylenebilir.
Prostatın iyi huylu büyüdüğü hastalarda; büyüyen prostat idrar yoluna baskı yapmakta böylece çeşitli şikâyetler oluşturmaktadır. Bu şikâyetler; idrara başlama güçlüğü, idrarı tam boşaltamama, ıkınarak idrar yapma, acil idrar yapma isteği, gecede 2 ya da daha fazla idrara çıkma şeklinde görülür (Cüreklibatır 2005). Bu şikâyetler genellikle idrar yapmayı engellemekle birlikte, mesanede kalan ve atılamayan idrar üst üriner sistem ve böbreklere baskı yapmakta böylelikle böbrek yetmezliği, idrar yolları iltihapları ve mesane taşlarının oluşumuna da sebep olabilmektedir.
BPH teşhisinde, ilgili belirtiler ve şikâyetler ile doktora başvuran hastanın yaşı eğer 50 ve üzeri ise hastanın prostat kanseri olma riski de bulunduğundan ve ortak şikâyetler barındırdığından kanserle ilgili tetkiklerde yapılır.
2.3 Prostat Kanseri
Kanser normalden daha hızlı büyüyen ve ölmeyi reddeden anormal hücrelelerdir ve bu hücreler büyümeye devam ederek sert bir nodül oluşturur (Barrett 2003). Kanser hücreleri oluştukları organdan başka yere giderek çoğalmaya da devam edebilirler bu duruma da metastaz (yayılma) ismi verilir. Prostat organında gelişen kanser vakaları ağırlıklı olarak 50 yaş üstü erkeklerde görülmektedir. Erkeklerin kanser kaynaklı ölümlerinde ikinci sırayı alan prostat kanseri, oldukça yavaş seyretmekte, belirtileri hastayı hemen doktora yöneltmemekte bu da ancak hastalığın daha ileri boyutlara ulaştığında anlaşılmasına sebep olmaktadır (Cüreklibatır 2005).
Prostat kanseri, prostatın iyi huylu büyümesi (BPH) ile hemen hemen aynı belirtileri göstermektedir. Bu belirtiler; karnın alt bölümünde künt vasıflı bir ağrı, acil idrara çıkma ihtiyacı, idrara başlamada güçlük, idrar yapma sırasında ağrı, zayıf idrar akımı, damlama, kesik kesik idrar yapma, gece 2 veya daha fazla kez idrara çıkma, mesaneyi tam olarak boşaltamama, idrar yoluyla kanama, meni ile birlikte kanama, bel ve kalça bölgesinde ağrı, iştah kaybı ve beraberinde kilo kaybı olarak görülmektedir (Cüreklibatır 2005).
2.4 Prostat Kanserine Neden Olan Temel Etkenler
Prostat kanserine neden olan etkenler kontrol edilebilir ve edilemez olmak üzere ikiye ayrılır. Kontrol edilemeyen etkenler; yaş, etnik köken ve kalıtım iken, kontrol edilebilir risk faktörleri ise çalışma ortamı, diyet ve hormon etkileri sayılabilir (Barrett 2003). Bu faktörlerin etkisi incelenecek olursa;
Yaş faktörü; prostat yaş ilerledikçe büyümektedir. Prostatın büyümesiyle birlikte kanser riski artmaktadır. 50 yaş altında %20–25 oranında olan prostat büyümesi, 50 yaş üstünde %50, 70 yaş üzerinde %80’e varan oranlarda görülür (Cüreklibatır 2005).
Kalıtım faktörü, ailesinde prostat kanseri görülenlerde, hastalığın çıkma olasılığı 2 kat artmaktadır (Barrett 2003). Ayrıca bireyin dâhil olduğu ırk’ın da etkin bir rol oynadığı söylenebilir. Beyaz ırkta ve amerikan zencilerinde sık görülen kanser, sarı ırkta daha az görülmektedir (Cüreklibatır 2005). Bu nedenle hastalığın en yaygın şekilde görüldüğü ülkeler İsveç ve ABD iken Asya ülkeleri en az rastlandığı ülkeler arasındadır (Baggish 1999). ABD’de yaşayan Asyalılar arasında prostat karsinomunda Asya’da yaşayan Asyalılardan çok daha fazla rastlanmaktadır (Baggish 1999). Bu durum prostat kanserinde kalıtım kadar çevresel faktörlerinde etkili olduğunu göstermektedir.
Beslenme faktörü, hayvansal yağ ve kırmızı etten zengin beslenme alışkanlığı, testesteron hormonunun artmasına etki ederek prostat kanseri riskini artırmakta iken tahıl ağırlıklı, soya ürünlerinin bol tüketiminin ise koruyucu etkisi bulunmaktadır (Cüreklibatır 2005).
Çevre faktörü, incelendiğinde mavi yakalılar olarak bilinen, mekanikerler, işçiler, çiftçiler, kaynakçılar ve endüstriyel alanda çalışanlarda diğer alanlara göre daha yüksek oranda prostat kanseri vakasına rastlanılmıştır (Barrett 2003).
2.5 Prostat Kanseri Tanısı
Prostat kanserinin spesifik olmayan birçok belirtisi olmasına rağmen, çoğu kez hiçbir belirti vermemektedir (Cureklibatır 2005). Amerikan Kanser Derneği (ACS) ve Amerikan Üroloji Derneği (AUA) elli yaş ve üzerindeki zenciler ve kayda değer aile öyküsü bulunanlarda kırk yaş üstü her erkeğin yılda bir kez PSA testi yaptırmasını önermektedir (Baggish 1999).
Prostat kanserinin teşhisinde kullanılan en önemli kan belirteci bir protein olan PSA (Prostat Spesifik Antijen) maddesidir. İlk kez meni örneklerinde bulunmuş olan bu madde 1979 yılında laboratuarda izole edilmiş ve sadece prostat organı tarafından üretilen bir madde olduğu belirlenmiştir (Baggish 1999). Vücutta normalde sadece prostat bezi ve meni sıvısı içinde PSA sıvısından çok fazla
bulunması beklenir; prostat bezindeki bir hastalıkta ya da hasar durumunda ise PSA kana karışır. Kandaki PSA miktarını artıracak bu durum kötü bir gelişmenin habercisidir. Çünkü Prostat kanserinde, kanser prostatın içindeki bezlerin çevresindeki bariyerlere saldırır ve zarar verir böylece PSA özgürce kan damarlarına sızar (Scardino 2005). Bu yüzden prostat hastalıklarının muayenesinde kandaki PSA miktarı önemli bir rol oynamaktadır. Yalnız dikkat edilmesi gereken nokta PSA değerinin kanda ki her yüksek olan durumun bireyin kanser olduğu anlamına gelmediğidir. Prostat ile ilgili birçok hastalık PSA değerini kanda yükseltecektir (Cüreklibatır 2005). PSA’nın yükselmesine yol açan ve kanserle ilgisi olmayan nedenler arasında prostat hastalıklarından başka prostat idrar retansiyonu, sonda takılması veya doktorunuzun yaptığı sistoskopi, transrektal ultrason (TRUS), prostat biyopsisi, transüretral rezeksiyon (TRUP) ve belli bir dereceye kadar da parmakla rektal muayene (PRM) gibi işlemler de sayılabilir (Baggish 1999).
PSA, kanser olasılığını düşündürecek fakat her zaman kanserle artmayan ve kan testi ile ölçülen bir maddedir. PSA’nın normal değerleri yaşla birlikte değişkenlik göstermektedir. Bu değerlerin yaşa göre değişimi aşağıda gösterilmektedir.
• 40–49 yaş arası 0–2,5 ng/ml • 50–59 yaş arası 0–3,5 ng/ml • 60–69 yaş arası 0–4,5 ng/ml • 70–79 yaş arası 0–6,5 ng/ml
Kandaki PSA değerleri normal aralıkların dışına çıktığında kanserden şüphelenilmesine rağmen kanser vakaları incelendiğinde “normal” aralıklardaki PSA konsantrasyonlarında da kanserin ortaya çıktığı görülmüştür (Baggish 1999). Ayrıca, prostat organındaki iyi huylu büyüme olan BPH’da PSA düzeyini yükseltir ve bu duruma kanserden çok daha rastlanmaktadır (Baggish 1999). Prostat kanseri vakalarında kanser eğer küçükse kandaki PSA düzeyini yükseltmeyecektir. Bununla birlikte kimi kanser vakalarında kanser dokusu o kadar anormalleşmiştirki bu
hücreler az miktarda PSA üretirler bu da kandaki PSA miktarını artırmayacaktır (Scardino 2005).
Hastanın, PSA düzeyi yaşına göre normal aralıkların dışında ise prostat kanseri taramasında ikinci aşama olan prostatın rektal yoldan parmak ile muayenesine geçilir. Bu muayene basit ve kısa süreli olmasına rağmen prostat kanseri tanısındaki önemi büyüktür (Cüreklibatır 2005). Muayene sırasında doktor prostat dokusunda sertleşme olup olmadığına bakar, sertleşme genellikle kanser şüphesiyle yorumlanmasına rağmen bu sertleşmenin kanser dışında birçok sebebi de olabilmektedir. Bu sebepler, prostatik kalküler (taşlar), benign prostat hiperplazisi (BPH), ölü prostat dokusu, prostat infeksiyonu ve nedbe dokusu da olabilmektedir (Baggish 1999).
Parmakla muayene sonucunda kanser riski görülen hastalara özel aletler yardımıyla makattan yapılan ve Transrektal Ultrason (TRUS) adı verilen, prostat ultrasonu yapılır (Cüreklibatır 2005). TRUS günümüzde en çok, biyopsi için şüpheli bölgelerin yerinin tam olarak saptanmasında kullanılmaktadır (Baggish 1999). Ayrıca prostat bezinin büyüklüğünün ölçülmesinde ve kanserin yayılıp yayılmadığını anlamak amacıyla kapsülün muayenesinde de çok yararlıdır (Baggish 1999).
Prostat ultrasonunda görüntü kanser riski taşıyorsa, biopsi ile örnek parça alınıp patoloji uzmanı tarafından değerlendirilmelidir. Pataloji uzmanı alınan örneğin kanser olup olmadığını ve ne kadar saldırgan olduğu hakkında bilgi verecektir. Fakat biyopsi prostat dokusunun minik bir kesiti olduğu için birinci biyopsi kanserin varlığını %75, ikinci biyopsi işlemi kanserin varlığını % 91, üçüncü biyopsi uygulaması % 97’ye, dördüncü biyopsi uygulamasında % 99’a çıkan oranlarda tespit etme durumu vardır (Scardino 2005). Prostat kanserinin erken teşhisi ile hastaların büyük çoğunluğu ameliyat, besin alınması ya da radyasyon uygulaması sonucunda iyileşebilmektedirler (Scardino 2005).
Biyopsi sonucu olarak, prostat kanseri tanısı konulduktan sonra, kanserin yayılma derecesi ve yapılacak müdahaleye karar vermek için kanserin
Evreleme işlemindeki amaç kanserin ilerleme durumunu tespit etmektir. Prostat kanserinin en sık uzak yayılım gösterdiği yer olan kemik dokusu için kemik sintigrafisi ya da diğer adıyla kemik taraması yapılır (Baggish 1999). Kemik taramasından sonra, akciğer grafisi ile kanserin akciğere yayılma durumu kontrol edilir, hastanın karın bölgesinin bilgisayarlı tomografisi ile prostatın lenf bezlerine yayılma durumu tespit edilmeye çalışılır eğer lenf bezlerine yayılan kanser hücreleri büyük değilse bunu tespit için Manyetik Rezonans tercih edilir (Cüreklibatır 2005). Bu tetkiklerden sonra kanser evrelendirilir.
Evre 1: Çok erken evrede olan bu kanser hissedilemeyecek kadar küçüktür ve mikroskopik yapıdadır.
Evre 2: Kanser prostat bezi ile sınırlıdır fakat hissedilir etkileri vardır.
Evre 3: Kanser prostat bezinin dışına, seminal veziküler ve yakındaki mesane dokusuna yayılmıştır.
Evre 4: Lenf bezlerine, kemiklere, akciğerlere ve diğer organlara yayılmış olan ilerlemiş kanseri ifade etmektedir (Cüreklibatır 2005).
Prostatta lokalize olmuş karsinom (Evre 1 ya da 2), cerrahi bir müdahale, ya da radsyasyon terapisi ile tedavi edilebilir. Ancak aynı şey kanserin bezin dışına çıktığı ve diğer bölgeler yayıldığı (Evre 3 ya da 4) durumlarında olanaksızdır (Baggish 1999).
Doktorların, prostat kanseri tanısında biopsiden önce baktıkları değerler; kandaki PSA oranları, prostat hacmi ve kanserin görülme sıklığında önemli yeri olduğu düşünülen yaş unsurudur. Bu parametrelerin hangi ilişki ile kanseri teşhis edebileceği kesin olarak belirlenmemiştir. Araştırmamızda yapay sinir ağları kullanılarak bu parametrelerin giriş olarak kabul edildiği böylece bireyin hastalığının kanser olup olmadığının belirlendiği bir yapay sinir ağı uygulaması geliştirilmiştir. Bu yüzden yapay sinir ağlarının temel alındığı biyolojik sinir yapısı ve yapay sinir ağlarının yapısı hakkında gerekli bilgiler derlenmiştir.
3. SİNİR AĞLARI
Sinir ağları, birbirleriyle bağlantılı sinir hücrelerinden oluşmuş komplike sistemlerdir. En büyük ve güçlü sinir ağı olan insan beyni çalışma mantığı, öğrenmesi, hatırlaması ve değişikliğe uyum gücü ile birçok problemi çözebilme gücüne sahiptir. Bu yapının gücüne sahip olan insanlık, var olduğu günden beri karşılaştığı problemlerin üstesinden gelmiş, yaşam kalitesini artırmış ve değişik teknolojiler üretmiştir. İlkel zamanlarda av silahları ve tuzaklar günümüzde ise bilgisayar teknolojileri insanoğlunun bu gücünü etkin olarak kullandığı ve geliştirdiğinin de bir göstergesidir.
Çağlar boyu değişik teknolojiler geliştiren insanoğlu, teknolojilere kendi beyin gücünü yansıtmıştır. Bu yansımaların ileri bir boyutu olan zeki, insan gibi düşünebilen ve öğrenebilen makineler üretme isteği yapay sinir ağı teknolojisini doğurmuştur.
Yapay sinir ağları, ilhamını biyolojik sinir ağından almaktadır. Yapay sinir ağlarının anlaşılması için önce örneklediği biyolojik sinir ağının yapısının ve çalışma mantığının incelenmesi gerekmektedir.
3.1 Biyolojik Sinir Ağları
Biyolojik sinir ağı milyarlarca sinir (nöron) hücresinin bağlanmasıyla oluşmuş koplike bir yapıdır. Bu yapının en gelişmiş haline insan sahiptir. İnsan sinir sisteminin merkezi beyindir ve beyinde yaklaşık 1011 sinir hücresi vardır. Beş duyu organından gelen bilgiler sinir sistemi sayesinde beyne taşınır. Gelen bilgiler beynin algılama, anlama, olaylar arası ilişki kurma mekanizmaları sayesinde, işlenir, önceki sonuçlar hatırlanır, yeni sonuçlar üretilir ve yine sinirler yardımıyla üretilen sonuçlar diğer birimlere iletilir. Biyolojik sinir sistemi, bilgiyi alan, yorumlayan ve uygun bir karar üreten merkez ve bu merkezin kontrolünde olan alıcı ve tepki sinirlerden meydana gelmiştir (Sağıroğlu ve ark. 2003). Alıcı sinirler (reseptör), iç veya dış
ortamdan aldıkları uyarıları beyne iletirler, tepki sinirleri beynin ürettiği elektriksel sinyalleri çıktı olarak uygun tepkilere dönüştürürler. Tüm sistemin anlaşılmasında sistemi oluşturan ve sistemin temeli olan nöronların incelenmesi gerekmektedir.
Biyolojik sinir sisteminin temelini nöronlar oluşturur. Her bir nöron, dentrit, soma akson ve sinaps olmak üzere 4 kısımdan oluşur.
• Dentrit, içyapısı sinir gövdesi ile aynı olan ve bir nöronda birden fazla bulunabilen kısa uzantılardır. Dentritler yardımıyla çevre hücrelerden gelen sinyaller (pulse) alınır ve gövdeye ulaştırılmaktadır (Sağıroğlu ve ark. 2003). Dentritlerden gelen sinyaller nöronda birleştirilir.
• Soma, dentritlerin diğer hücrelerden aldıkları bilgilerin işleme tutulduğu yerdir. Böylece giriş bilgileri kullanılarak ağın çıkış bilgisi somada oluşturulur.
• Akson; çıkış yolu olarakda nitelendirilir. Her nöronda bir tanedir (Sarıoğlu ve ark. 2003). Akson snapslar vasıtasıyla diğer nöronların dentritlerine bağlanmıştır. Akson aracılığıyla üretilen bilgiler snapslar vasıtasıyla diğer hücrelerin dentritlerine gönderilir.
• Sinaps, sinir hücreleri arasında iletişimin gerçekleştiği, yapısal ve fonksiyonel olarak özelleşmiş bölgelerdir. İki hücrenin bilgi alışverişi snaptik bağlantılar yoluyla sağlanır (Öztemel 2003). Şekil 3.1'de biyolojik sinir hücresi görülmektedir.
Çok sayıda sinir hücresinin birleşiminden oluşan beyin, beş duyu organından gelen bilgiler ışığında; öğrenebilir, farklı durumlara uyum sağlayıp, sonuçlar çıkartabilir, genelleme yapabilir, soyut ve somut kavramları açıklayabilir, bilgi depolayabilir, ilişkilendirebilir, mevcut bilgilerden yeni sonuçlar çıkarabilir, problem çözebilir ve farklı çözüm önerileri getirebilir.
Şekil 3.1. Biyolojik Sinir Yapısı (Öztemel 2003)
3.2 Yapay Sinir Ağları
Yapay sinir hücrelerinden oluşmuş ağlardır. Yapay sinir ağları insan beyninin en temel özelliği olan öğrenme fonksiyonuna sahip olmayı hedefleyen sistemlerdir (Öztemel 2003).
3.2.1 Yapay sinir hücresi modeli
Biyolojik sinir ağları biyolojik sinirlerden oluşmuştur. Yapay sinir ağları proses olarak bilinen yapay sinir hücrelerinden oluşmuştur (Öztemel 2003). Her proses elemanının beş temel unsuru vardır.
1- Girdiler: Yapay sinir hücresine dış dünyadan gelen bilgilerdir. Bu girdiler dış dünyadan olduğu gibi başka hücrelerden veya kendisinden de olabilir (Öztemel 2003).
2- Ağırlıklar: Ağırlıklar yapay sinir hücresine gelen bilgilerin önemini ve hücre üzerindeki etkisini gösterir (Öztemel 2003). Ağırlıklar değişken veya sabit olabilir. Ağırlıkların sayısal değeri önemini belirtmez, ağırlıkların önemini ağın
yapısı belirler. Kimi durumlarda negatif ağırlıklar pozitif ağırlıklardan daha etkili olabilirler.
3- Toplama Fonksiyonu: Bir sinir ağında yer alan her sinir hücresinde farklı olabilen toplama fonksiyonu, ağ girişleri ile ağırlıkların çarpımını kullanarak ağın net girdisini bulmayı hedefleyen fonksiyondur. Değişik toplama fonksiyonları vardır. Bu fonksiyonların bazısı giriş ve ağırlık çarpım gruplarını toplarken, kimi toplama fonksiyonları çarpar kimi fonksiyonlarda minimum ya da maksimim veya işaretlerine bakabilir. Kimi sinir ağı modelleri nöronlarda kullanılacak toplama fonksiyonunu belirlemektedir (Öztemel 2003). En çok kullanılan toplam fonksiyonu ağırlıklı toplamdır. Bu fonksiyonda her gelen girdi değeri kendi ağırlığı ile çarpılarak toplanır. Tablo 3.1’de yapay sinir ağlarında kullanılan çeşitli toplama fonksiyonları verilmiştir (Öztemel 2003).
Tablo 3.1. Toplama Fonksiyonları
NET GİRİŞ AÇIKLAMA
Çarpım
Net Girdi = ∏ GiAi i
Girdiler ile ağırlık değerleri çarpılır ve daha sonra bulunan değerler birbirleri ile çarpılarak net girdi hesaplanır.
Maksimum
Net Girdi = Max(GiAi), i=1….N
N adet girdi içinden ağırlıklar ile çarpıldıktan sonra en büyüğü yapay sinir hücresinin net girdisi olarak kabul edilir.
Minimum
Net Girdi = Min(GiAi), i=1…N
N adet girdi ağırlıklar ile çarpıldıktan sonra en küçüğü yapay sinir hücresinin net girdisi olarak kabul edilir.
Çoğunluk
Net Girdi = ∑ sgn(GiAi)
i
N adet girdi ağırlıklar ile çarpıldıktan sonra pozitif ve negatif olanların sayısı bulunur. Büyük olan sayı hücrenin net girdisi olarak kabul edilir.
Kumilatif Toplam
Net Girdi = Net (eski) + ∑ (GiAi) i
Hücreye gelen bilgiler ağırlıklı olarak toplanır ve daha önce gelen bilgilere eklenerek hücrenin net girdisi bulunur.
Görüldüğü gibi, bazı durumlarda gelen girdilerin değeri önemli olurken bazı durumlarda ise gelen girdilerin sayısı önemlidir (Öztemel 2003).
4- Aktivasyon Fonksiyonu: Yapay sinir hücresine gelen net girdiyi işleyerek hücrenin bu girdiye karşılık üreteceği çıktıyı belirleyen fonksiyondur (Öztemel 2003). Ağın çıktısını hesaplamak için değişik aktivasyon fonksiyonları bulunmaktadır. Tablo 3.2’de yapay sinir ağlarında kullanılan değişik aktivasyon
fonksiyonları verilmiştir.
Tablo 3.2. Aktivasyon Fonksiyonları
AKTİVASYON FONKSİYONU AÇIKLAMA
Sigmoid Fonksiyon F(Net)= 1/(1+ e-NET)
0-1 arası değer üretir. Çok katmanlı algılayıcılarda sıklıkla kullanılan bir fonksiyondur.
Lineer Fonksiyon F(Net) = Net
Bu fonksiyonda gelen girdiler olduğu gibi hücrenin çıktısı olarak kabul edilir. Step fonksiyonu
1 if Net> eşik_değer F(Net)=
0 if Net<=eşik_değer
Gelen Net girdi değerinin belirlenen bir eşik değerinin altında veya üstünde olmasına göre hücrenin çıktısı 1 veya 0 değerini alır.
Sinüs Fonksiyonu
F(Net)= Sin (Net)
Öğrenilmesi düşünülen olayların sinüs fonksiyonuna uygun dağılım gösterdiği durumlarda kullanılır.
Eşik değer fonksiyonu 0 if Net<=0 F(Net)= Net if 0<Net<1
İf Net>=1
Gelen bilgileri 0 veya 1 den büyük veya küçük olmasına göre bir değer alır. 0 ve 1 arasında değerler alabilir. Bunların dışında değer alamaz. Hiperbolik tanjant fonksiyonu
F(Net) = (eNet+ e-Net)/(eNet-eNet)
Gelen Net girdi değerinin tanjant fonksiyonundan geçirilmesi ile hesaplanır.
Çok katlı algılayıcı modelinde en yaygın kullanılan aktivasyon fonksiyonu sigmoid aktivasyon fonksiyonudur. Şekil 3.2'de Aktivasyon fonksiyonlarının sayı doğrusu üzerindeki şekilleri gösterilmektedir.
Hiperbolik Tanjant Doğrusal Fonksiyon
Sigmoid Fonksiyon
Şekil 3.2. YSA’larda en çok tercih edilen aktivasyon fonksiyonları
Aktivasyon fonksiyonu ve toplama fonksiyonu bir yapay sinir ağındaki her proses elemanında aynı olmak zorunda değilir. Her hücrede farklı seçilebilir.
5- Hücrenin çıktısı: Aktivasyon fonksiyonu tarafından belirlenen çıktı değeridir. Birden fazla girdisi olabilen sinir hücresinin bir tane çıkış değeri vardır (Öztemel, 2003). Şekil 3.3'de basit bir yapay sinir ağı şekli görülmektedir.
Şekil 3.3. Basit bir yapay ağ.
Yapay sinir ağları örneklediği biyolojik sinir ağının sahip olduğu özellikleri sebebiyle diğer bilgisayar programlarından farklıdır bu farklar yapay sinir ağı uygulamalarına üstünlük kazandırmakla birlikte bazı dezavantajlarda oluşturmaktadır.
3.2.2 Yapay sinir ağlarının üstünlükleri
Bilgisayar programları ilişkileri belli bağıntıların işlenmesinde kullanılırlar. Bu yüzden farklı durumlarda karar verilmesi beklendiğinde verim alınamamaktadır. Yapay sinir ağlarının en önemli üstülüğü öğrenebilme yetenekleridir (Sağıroğlu 2003). Bu özellikleri sayesinde yapay sinir ağları öğrenir ve farklı durumlara cevap verebilirler. Geleneksel bilgisayar programlarında olmayan bu özellik geleneksel programların çözüm getiremediği kuralları belli olmayan aralarındaki ilişkilerin formüle edilemediği sorunların çözümünde kullanılabilmesini sağlamaktadır. Bilgisayar programlarının zorlandığı sınıflandırma, örüntü tanıma, sinyal filtreleme, veri sıkıştırma ve optimizasyon çalışmaları gibi alanlarda en güçlü teknikler arasında
Toplama Fonksiyon Aktivasyon Fonksiyonu F(Net) Ağırlık 1 Ağırlık N Ağırlık 2 Girdi 2 Girdi 1 …. Çıktı
Bilgisayar programları eksik bilgi ile çalışamaz iken yapay sinir ağları eksik bilgi ile bile doğru sonuçlar üretebilirler (Öztemel 2003, Sağıroğlu ve ark. 2003).
Yapay sinir ağı öğrendikten sonra ki çalışmalarında sonuç üretmek için bir veritabanı ya da bilgi kümesine ihtiyaç duymaz, eğitim sırasındaki öğrenmelerini üzerindeki ağırlıklarda taşır (Öztemel 2003).
3.2.3 Yapay sinir ağlarının dezavantajı
Yapay sinir ağları öğrenebilme gibi büyük bir yeteneğe sahip olmalarına karşın her problemin çözümünde kullanılması doğru değildir. Çözülmek istenen problem için yeterli etkinlik ve verimlilikte çözüm yöntemi söz konusu olduğunda veya problem hakkında elde yeterli örneklem bulunmadığında tercih edilmemesi daha doğru olacaktır (Öztemel 2003).
Yapay sinir ağında yer alan öğrenme katsayısı, momentum katsayısı, nöron sayısı ve bağ yapısının nasıl belirleneceğine dair kuralların olmaması genellikle deneme yanılma yolunun kullanılmak zorunda kalınması yapay sinir ağınyla problem çözümünü zorlaştırmaktadır.
Ağ parametreleri ve yapısı doğru bir şekilde seçilse dahi, ağın öğrenmesi için ağa sunulacak örneklerin genellikle günlük hayatta kullandığımız türden analog bilgilerdir. Bu bilgiler ağa sunulabilecek numerik bilgilere dönüştürülmesini gerektirir. Bu dönüştürme işlemine uygun dönüştürme işlemi yapılmadı ise ağın doğru bir şekilde öğrenmesi engellenmiş olacaktır. Bu dönüştürme işinde belli bir standart olmaması işi zorlaştırmaktadır.
Ağın ne kadar süre eğitileceğinin belirli bir kuralı yoktur. Genel kural ağın hatasının belirli bir değerin altına çekilmesidir. Fakat bu en iyi öğrenmenin gerçekleştiğinin bir göstergesi olduğunu göstermemektedir.
Ağın öğrendikten sonra nasıl kurallar sistemi geliştirdiği bilgisine ulaşılamaması ağın güvenirliliğini düşürmektedir.
Yapay sinir ağı teknolojisindeki bu dezavantajlar elde edilen çözümün en iyi çözüm olduğunu idda edilmesini önlemektedir (Öztemel 2003).
3.2.4 Yapay sinir ağı eğitimi
Yapay sinir ağlarına çeşitli öğrenme algoritmaları ile karar verebilme yeteneği kazandırılır.
3.2.4.1 Öğrenme algoritmaları
Yapay sinir ağlarında birçok öğrenme algoritması kullanılmaktadır. Bunlar; geri yayılım, esnek yayılım, delta bar delta, geliştirilmiş delta bar delta, hızlı yayılım, genetik, yönlendirilmiş rastgele arama, levenberg marquardt metodu, kua-si Newton öğrenme vb algoritmalardır (Sağıroğlu ve ark. 2003).
3.2.5 Yapay sinir ağı modelleri
Yapay sinir ağları tek katmanlı ve çok katmanlı algılayıcılar olarak iki ayrı grupta ele alınabilir. Tek katmanlı algılayıcılar ile doğrusal problemler rahatlıkla çözülebilir iken, doğrusal olmayan problemler çok katmanlı algılayıcı modeli ile çözülmektedir. Araştırmamızda prostat kanserinin teşhisi problemi ele alınmıştır ve bu işlem doğrusal olmayan bir bağıntı içerdiğinden çok katmanlı algılayıcı kullanılmış ve bu yapı incelenmiştir.
3.2.5.1 Çok katmanlı algılayıcı (MLP: MultiLayer perceptron)
Çok Katmanlı Algılayıcılar (ÇKA) doğrusal olmayan olayları öğrenebilme yeteneklerine sahip olan ağlardır (Elmas 2003). Bu ağ modeli özellikle mühendislik
